CN113869396B 基于高效注意力机制的pc屏幕语义分割方法 （合肥高维数据技术有限公司）_第1页
CN113869396B 基于高效注意力机制的pc屏幕语义分割方法 （合肥高维数据技术有限公司）_第2页
CN113869396B 基于高效注意力机制的pc屏幕语义分割方法 （合肥高维数据技术有限公司）_第3页
CN113869396B 基于高效注意力机制的pc屏幕语义分割方法 （合肥高维数据技术有限公司）_第4页
CN113869396B 基于高效注意力机制的pc屏幕语义分割方法 （合肥高维数据技术有限公司）_第5页
已阅读5页，还剩9页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

路900号中安创谷科技园一期A1栋21楼基于高效注意力机制的PC屏幕语义分割方法本发明特别涉及一种基于高效注意力机制用编解码模块以及Transformer自适应模块构建理得到特征图，Transformer自适应模块用于对入训练好的网络模型中进行识别得到分割后的模型进行训练，可以实现对普通样本的精确分并增加Transformer自适应模块进行参数优化，2于对输入的图像进行处理得到特征图，所述Transformer自适应模块用于对所述特征图进所述编解码模块包括编码器和解码器，所述编码器由多个卷积层、池化层以及shuffleNetUnit模块堆叠的特征提取网络组成，所述解码器由多个转置卷积以及普通卷模块的输入端即所述网络模型的输入端，所述编解码模块和所述Transformer自适应模块S220、利用所述第一组样本集训练所述编码S230、固定所述编码器和所述解码器的网络参数，利用所述第二组样本集训练所述S210、利用所述公开样本集对所述编解码模块进行预S214、根据所述第一预测热图以及所述原图对应的述Transformer自适应模块的训练包括S231、固定所述编解码模块的网络参数，对所述第3S232、将所述原图输入至所述编解码模块中，所述编解码模块输S233、将所述第一特征图输入至所述TransformerS234、所述线性分类器对所述第二特征图进行处理得述Transformer自适应模块的网C、将所述新矩阵Q进行转置并和所述新矩阵K相乘后，再乘以一个常E、归一化层对提取后的矩阵进行归一化操作后与所述键矩阵的输出特征图进行残差4[0005]全卷积网络FCN成为了深度学习技术应用于语义分割问题的基石，它可以接受任意尺寸的输入图像，通过若干个反卷积层对编码网络的最后一个卷积的特征图（feature场CRF进行后处理优化的DeepLab系列网络以及结合上下文信息进行特征融合的ParseNet。5利用编解码模块以及Transformer自适应模块构建网络模型，编解码模块用于对输入的图[0016]由编解码模块和Transformer自适应模块构成的网络模型结构有很多种，本发明6杂，不易进行参数调整，故本发明中，采用多阶段的训练方式，逐一训练编解码模块和是黑白图，实际上是彩色图灰色区域对应的即为屏幕（彩色图中灰色区域显示的是红码模块的输出结果直接通过线性分类器进行处理得到第一预测热图，不输出至提高其对类内特征差异较大的样本的分割能力，我们还对Transformer自适应模块进行训图大小一致的第一特征图；S233、将第一特征图输入至Transformer自适应模块中，7的一种模型架构，这篇论文里只针对机器翻译这一种场景做了实验，全面击败了当时的形式如下该公式可以控制正负样本的权重，但没法控制容易分类和难分类样本的权重，于是本发明中，所述的第一损失函数和第二损失函

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论